【摘记】ABD-Net: Attentive but diverse Person Re-Id

ABD-Net: Attentive but diverse Person Re-Id

针对问题

局部特征

• attentive features 多样性不足

新颖点：

1. 结合通道和空间信息，避免注意力机制过度集中于前景
2. 加入了多样性限制，避免过度集中于相关的、冗余细节特征
3. 注意力机制中的遮罩直接是通过re-id数据集训练得到
4. 将两个注意力模块融入到一个主干网络中，更加轻量级
5. 提出了spectral value difference orthogonality（SVDO）

摘要：

1. 在整个网络中中融入了注意力模块和多样性正则化
2. 加入了一对互补的注意力模块，分别针对通道融合和位置感知，CAM 通道注意力模块和PAM 位置感知模块
3. 还加入了一个正交约束可以增强隐藏激活和权重的多样性，SVDO （spectral value difference orthogonality）直接限制weight gram matrix的条件数，可以应用在权重和激活上的，有效地减少学习到的特征相关度

注意力机制：基于通道和基于位置

假设一些通道会有相同的语义信息，在很大程度上相互关联。CAM的目的在于将这些语义上具有相同性的通道进行组合。

PAM的目的则在于捕捉和整合那些语义相关的空间像素点。

多样性：正交规范化

正交规范化适用于卷积层和全连接层的隐藏特征和权重。用于特征空间的正交规范化（orthogonality regularizer on feature space，O.F.）能够减少直接有助于匹配的关联特征，用于权重的正交规范化（orthogonality regularizer on weight，O.W.）能够增加过滤器的多样性，增强学习能力。

许多正交方法都是通过正交权重的硬性约束实现的，具体来说即SVD，但SVD的计算成本过高。一些现在的非硬性（soft）规范化要求格拉姆矩阵 F 等同于一个在 Frobenius范数下的矩阵，但是由于矩阵秩的不足，可能会使 F 无法满足这一相同性，从而使这些规范化函数出现偏差。

而作者提出的规范化函数则通过调整 $F{F}^T$ 来增强正交性，具体式子如下：

此外作者利用自动微分来获得SVDO的梯度，但是特征值（EVD）的计算成本任然很高，为避免EVD，作者用功率迭代的方法（power iteration）来近似替代特征值。

网络结构

ABD-Net和大多数的特征提取网络都是兼容的，作者选取ResNet-50作为基础版本。在res_conv_3后面加了CAM和O.F.，然后将这里的输出喂入res_conv_3。在Res_conv_4之后，网络分为了全局分支和细节分支。值得注意的是，作者在所有的卷积层中都加入了O.W. 。最后两个分支处理的结果组合在一起就是整个特征嵌入。

细节分支采用了和前面一样的res_conv_5，其输出被喂入一个带有O.F.的压缩层（reduction layer）产生一个更小的特征图 $T_a$。然后再将 $T_a$ 分别同时喂入带有O.F.的CAM和PAM，将这两部分输出和 $T_a$ 组合在一起经过 global average pooling生成特征向量。

在全局分支中，res_conv_5的输出 $T_g$ 直接经过 global average pooling，之后再通过压缩层生成特征向量。全局分支的主要目的是作为细节分支的补充保留了全局信息。

[注] 在两个分支中为了得到更大的特征图 作者都去掉了下采样层

ABD-Net 训练采用cross entropy loss, hard mining triplet loss, O.F.和 O.W.

实验

数据集：Market-1501, DukeMTMC-Re-ID， MSMT17
输入图片：384 X 128 （including random horizontal flip, normalization, random erasing）
测试图片：384 X 128（only normalization）
输出的特征向量：2048（1024，1024）

Market-1501 top1 95.6 mAP 88.28
DukeMTMC top1 89 mAP 78.59
MSMT17 top1 82.3 mAP 60.8

问题

1. CAM+PAM 确实会更加关注人体区域上的不同，但是也会过度注意到与人不相关的细节上去（加入正交规范化后会有所改进，即把注意力放到人的身上又消除了背景的干扰）
   
2. t-SNE看来ID94和ID156并没有很好的分开，也就是说它在增大组间距离的时候并没有使组内距离增大